Topo-ADV：生成拓扑驱动的不可感知对抗点云
计算机视觉与模式识别
2026-04-14 v1 计算几何
摘要
针对 3D 点云理解的深度神经网络在目标分类和识别方面取得了显著成功，但近期研究表明，这些模型对对抗扰动仍高度脆弱。现有 3D 对抗攻击主要操控几何属性，如点位置、曲率或曲面结构，隐含假设是保持全局形状保真度即等价于保持语义内容。本文挑战这一假设，提出首个面向点云深度学习的拓扑驱动对抗攻击方法。我们的关键洞见在于，3D 物体的同调结构构成了此前未被探索的脆弱面。我们提出 Topo-ADV，一个集成持久同调作为显式优化目标的端到端可微框架，使其能够在对抗样本生成过程中对拓扑特征进行梯度操控。通过对持久图进行可微拓扑表示嵌入，该方法联合优化 (i) 一种改变持久性的拓扑距离损失，(ii) 误分类目标，以及 (iii) 保持视觉合理性的几何不可感知约束。实验表明，细微的拓扑驱动扰动在 ModelNet40、ShapeNet Part 和 ScanObjectNN 等基准数据集上使用 PointNet 和 DGCNN 分类器时，始终可实现最高 100% 的攻击成功率，同时保持与原始点云几乎几乎不可区分，优于各种感知指标上的最新方法。
引用
@article{arxiv.2604.09879,
title = {Topo-ADV: Generating Topology-Driven Imperceptible Adversarial Point Clouds},
author = {Gayathry Chandramana Krishnan Nampoothiry and Raghuram Venkatapuram and Anirban Ghosh and Ayan Dutta},
journal= {arXiv preprint arXiv:2604.09879},
year = {2026}
}
备注
Under review